Making Accelerating Medicines Partnership Data Findable and Interoperable through a Common Data Model: Extending OMOP for Multi-Source Multimodal Data

De moderne geneeskunde wordt steeds meer gedreven door het vermogen om de moleculaire instructies binnen onze cellen te kunnen lezen. Wetenschappers kunnen nu duizenden van deze instructies tegelijkertijd meten, waardoor enorme bibliotheken aan gegevens ontstaan die beschrijven hoe genen zich gedragen in gezonde mensen en hoe ze veranderen bij mensen met ziekten zoals Alzheimer of diabetes. Deze metingen, vaak "omics"-data genoemd, bieden een krachtig venster op de innerlijke werking van het lichaam. Er is echter een aanzienlijk probleem ontstaan: hoewel de gegevens bestaan, zijn ze versnipperd. Verschillende onderzoeksprojecten slaan hun bevindingen op in verschillende digitale formaten, waarbij ze hun eigen unieke labels en bestandssystemen gebruiken. Het is alsof elke bibliotheek in een stad een andere taal gebruikt om boeken te catalogiseren, wat het voor een onderzoeker bijna onmogelijk maakt om binnen te lopen en een vraag te stellen die het lezen van meerdere planken tegelijk vereist. Deze fragmentatie voorkomt dat wetenschappers het grotere plaatje zien, zoals of een biologisch patroon dat in de ene ziekte wordt gevonden, ook in een andere ziekte voorkomt.

Om dit op te lossen, heeft een team van onderzoekers van de Accelerating Medicines Partnership, een samenwerking tussen overheidsinstanties en particuliere bedrijven, zich gericht op het bouwen van een universeel bestandssysteem voor deze complexe biologische gegevens. Ze hebben geen nieuwe taal vanaf nul uitgevonden, wat traag en moeilijk zou zijn geweest voor de wetenschappelijke gemeenschap om te adopteren. In plaats daarvan hebben ze een bestaand, veelgebruikt systeem voor het organiseren van klinische gezondheidsgegevens genomen en dit zorgvuldig uitgebreid om te voldoen aan de unieke behoeften van moleculaire gegevens. Dit nieuwe kader, de SysBio Common Data Model genoemd, fungeert als een vertaler die ervoor zorgt dat gegevens uit verschillende bronnen zij aan zij vergeleken kunnen worden zonder de oorspronkelijke eigenaren van de gegevens te dwingen hun bestanden anders op te slaan. Het team heeft aangetoond dat deze aanpak werkt door succesvol gegevens van vier verschillende ziekteprojecten in kaart te brengen, waarmee bewezen is dat onderzoekers nu brede vragen kunnen stellen over verschillende condities en weefsels heen met behulp van één enkele, verenigde zoekopdracht.

De kern van dit werk ligt in een slim compromis tussen flexibiliteit en structuur. De onderzoekers begonnen met het Observational Medical Outcomes Partnership-model, een standaard systeem dat al door duizenden onderzoekers wereldwijd wordt vertrouwd voor het organiseren van patiëntendossiers zoals diagnoses, medicatie en ziekenhuisbezoeken. Hoewel dit systeem uitstekend was voor de klinische geschiedenis, miste het de specifieke instrumenten die nodig zijn om te beschrijven hoe moleculaire experimenten werden uitgevoerd of waar de resulterende digitale bestanden werden opgeslagen. Om dit op te lossen zonder het bestaande systeem te breken, heeft het team slechts vier nieuwe tabellen toegevoegd aan de databasestructuur. Deze nieuwe secties fungeren als gespecialiseerde mappen voor het registreren van details over de laboratoriumtests zelf — zoals het type gebruikte machine of het specifieke protocol dat werd gevolgd — en voor het verwijzen naar de eigenlijke digitale bestanden waar de ruwe gegevens zich bevinden. Door deze nieuwe mappen via standaardverbindingen te koppelen aan de bestaande patiëntendossiers, behoudt het model de integriteit van de oorspronkelijke klinische gegevens terwijl het de nodige context voor moleculaire analyse toevoegt.

Deze ontwerpkeuze was doelbewust en praktisch. De onderzoekers testten hun nieuwe model tegen gegevens van elf verschillende datasets die vier belangrijke ziektegebieden beslaan, waaronder Alzheimer, Parkinson en auto-immuunziekten. Deze datasets varieerden enorm in herkomst en bevatten informatie over hersenweefsel, bloed en urine, verzameld van patiënten zowel vóór als na het overlijden. Ondanks deze verschillen heeft het nieuwe model ze allemaal succesvol in één gedeelde structuur gebracht. Het resultaat is een systeem waarbij een wetenschapper een complexe vraag kan stellen, zoals: "Zoek alle genactiviteitsbestanden van nierstalen van patiënten met lupus," en de computer kan de weg traceren van de diagnose van de patiënt naar het specifieke weefselmonster, dan naar de laboratoriumtest en uiteindelijk naar het digitale bestand, zonder dat de unieke eigenaardigheden van het oorspronkelijke project dat de gegevens genereerde, bekend hoeven te zijn.

Een cruciaal onderdeel van het laten werken van dit systeem was het waarborgen dat de woorden die de gegevens beschrijven overal hetzelfde betekenden. In het verleden zou het ene project een specifiek ziektestadium "Stadium 3" noemen, terwijl een ander project het "Graad C" noemde, wat leidde tot verwarring bij het combineren van de resultaten. Om dit te voorkomen, heeft het team een centraal register gemaakt dat fungeert als een woordenboek, dat precies definieert wat elke term betekent en hoe deze moet worden geregistreerd. Ze gebruikten een workflow die kunstmatige intelligentie combineert met menselijke experts om de rommelige, gevarieerde termen uit de oorspronkelijke projecten te koppelen aan deze schone, standaarddefinities. De AI stelt de verbindingen voor en menselijke specialisten beoordelen deze om nauwkeurigheid te garanderen, waardoor een betrouwbare brug wordt geslagen tussen de oude, geïsoleerde gegevens en het nieuwe, verenigde model. Dit proces zorgt ervoor dat wanneer een onderzoeker naar gegevens uit twee verschillende studies kijkt, hij werkelijk appels met appels vergelijkt.

Het succes van dit project suggereert dat grootschalige wetenschappelijke samenwerking vooruit kan gaan zonder dat elke deelnemer zijn huidige methoden hoeft op te geven. Het model vereist niet dat databeheerders hun bestanden verplaatsen of hun databases opnieuw formatteren; in plaats daarvan biedt het een laag van organisatie die bovenop de bestaande gegevens ligt, waardoor ze vindbaar en bruikbaar zijn voor anderen. De onderzoekers hebben aangetoond dat deze aanpak de complexiteit van de moderne biologie kan aan, van de specifieke soorten weefsels die worden gebruikt tot de verschillende machines die de gegevens hebben gegenereerd. Hoewel de huidige versie zich richt op een specifieke set moleculaire tests, is het ontwerp gebouwd om te groeien. Het team heeft een pad uitgezet voor het toevoegen van nieuwe soorten gegevens, zoals ruimtelijke beeldvorming of andere chemische metingen, door simpelweg meer specifieke details aan het bestaande kader toe te voegen in plaats van het hele systeem opnieuw op te bouwen.

Uiteindelijk transformeert dit werk de manier waarop wetenschappers de verbanden tussen verschillende ziekten kunnen verkennen. Door een moeilijk integratieproject te veranderen in een eenvoudige zoekopdracht, verwijdert het nieuwe model een grote barrière voor ontdekking. Het stelt onderzoekers in staat om te zoeken naar gedeelde biologische signatures in condities die voorheen in isolatie werden bestudeerd, wat potentieel nieuwe doelwitten voor behandelingen kan onthullen die patiënten met meerdere verschillende ziekten kunnen helpen. Het systeem blijft flexibel genoeg om zich aan te passen aan nieuwe technologieën, waardoor wordt gewaarborgd dat de enorme en groeiende collectie biomedische gegevens optimaal kan worden benut. De onderzoekers hebben hun blauwdruk en de instrumenten om dit te gebruiken publiekelijk beschikbaar gesteld, in een uitnodiging aan de bredere wetenschappelijke gemeenschap om voort te bouwen op dit fundament en het werk voort te zetten om complexe biologische gegevens voor iedereen toegankelijk te maken.